基于多目标优化与多准则决策的稀疏辨识方法预测氢-柴油双燃料发动机性能

《International Journal of Human-Computer Studies》：Sparse identification with multi-objective optimisation and multi-criteria decision-making for predicting hydrogen–diesel dual-fuel engine performance

　　

研究人员开发了一种数据驱动的非线性动力学稀疏辨识（Sparse Identification of Nonlinear Dynamical Systems, SINDy）框架，用于预测氢-柴油双燃料（Hydrogen–Diesel Dual-Fuel, HDDF）发动机在全工况范围内的燃烧特性。该研究系统评估了稀疏度水平与127种函数库组合，结果表明混合非线性函数库能够提供最为一致的预测性能。使用全部项时，模型在制动功率（Brake Power）、制动燃油消耗率（Brake Specific Fuel Consumption, BSFC）、氮氧化物（NO_x）、扭矩/制动平均有效压力（Torque/Brake Mean Effective Pressure, BMEP）、制动热效率（Brake Thermal Efficiency, BTE）以及未燃碳氢化合物（Un桃李）等参数上获得了较高的决定系数（R²）值，分别为0.9829、0.9794、0.8139、0.8605、0.8641和0.9938；而一氧化碳（CO）的预测因燃烧内在变异性仍具挑战性。研究采用第二代非支配排序遗传算法（Non-dominated Sorting Genetic Algorithm II, NSGA-II）进行多目标优化，并运用逼近理想解排序法（Technique for Order of Preference by Similarity to Ideal Solution, TOPSIS）确定了稀疏参数λ = 0.05和函数库索引θ = 122的最优配置，实现了BSFC、NO_x和BTE之间的平衡。与人工神经网络（Artificial Neural Network, ANN）的对比研究表明，SINDy框架具有改进的鲁棒性和泛化能力。该框架为HDDF预测与优化提供了一种可解释且计算高效的替代模型。

该研究发表于《International Journal of Human-Computer Studies》，旨在解决氢-柴油双燃料发动机建模中的关键方法论空白。

研究背景方面，全球能源需求因人口增长、生活水平提高和工业发展而迅速增加，国际能源署预测该需求可能在2050年翻倍。目前超过80%的世界能源来自化石燃料，其燃烧导致严重的环境污染和全球变暖问题。柴油机因功率输出和热效率优势而广泛应用，但其高NO_x、烟度和颗粒物排放问题突出。氢气因其清洁燃烧特性和高能量密度成为有前景的替代燃料，氢-柴油双燃料配置在降低CO₂和CO排放方面显示出潜力，但也面临NO_x排放增加等挑战。传统建模方法包括计算流体力学（Computational Fluid Dynamics, CFD）模拟、零维/一维发动机仿真工具、经验及半经验模型等，但这些方法往往计算昂贵、耗时或难以捕捉复杂非线性。人工智能方法虽能直接从数据中学习复杂模式，但现有研究几乎完全依赖神经网络、支持向量机（Support Vector Machine, SVM）和响应面法（Response Surface Methodology, RSM）等黑箱模型，缺乏显式数学结构，物理可解释性、训练域外泛化能力及控制应用适用性受限。SINDy框架通过可识别的项将发动机输入与燃烧行为联系起来，与热力学和化学动力学推理更具兼容性，但将其应用于HDDF发动机的研究存在明显空白。

研究人员开展了SINDy框架的开发与验证工作，得出以下主要结论：混合非线性函数库配置提供最一致的预测性能；全部函数项组合在多数性能指标上实现高精度预测，但CO预测因燃烧敏感性而困难；NSGA-II和TOPSIS联合确定了最优稀疏配置；与ANN相比，SINDy展现出更优的鲁棒性和泛化能力。该研究的重要意义在于提供了一种物理可解释、计算轻量的HDDF发动机替代模型，支持实时决策和控制系统应用。

关键技术方法包括：基于Ricardo WAVE软件构建四缸压燃发动机一维数值模型，该模型遵循JCB发动机的几何和运行规格，氢气通过专用进气口喷射器注入，总输入能量固定为3800 J，氢能份额（Hydrogen Energy Share, HES）范围为1-99%；采用De Montfort随机化方法进行数据再分配以避免采样偏倚；数据预处理包括基于四分位距（Interquartile Range, IQR）的异常值剔除、偏度分析、Box-Cox变换和log1p变换及标准化；SINDy静态回归框架采用七种候选函数（常数、线性、多项式、三角函数、指数、交互和倒数函数）的127种非空子集组合，通过稀疏回归识别输入输出的代数映射关系；NSGA-II多目标优化以BSFC、NO_x和BTE为目标函数，决策变量为稀疏参数λ（0.01-1）和函数库索引θ（1-127），种群规模250，最大迭代150代；TOPSIS对Pareto前沿解进行排序以确定最优折中解。

研究结果部分：

敏感性分析表明，单一函数库类型无法充分表征HDDF发动机的非线性行为。常数、仅交互和倒数函数库预测能力极弱，R²值接近零或为负；线性函数库对制动功率和未燃碳氢化合物表现良好，但对CO和NO_x预测显著恶化；多项式和三角函数库有所改善，但CO预测仍受限。All Terms组合库提供最一致的整体性能，制动功率R²达0.9829，BSFC为0.9794，扭矩为0.8605，BTE为0.8641，UHC高达0.9938，NO_x为0.8139，而CO仅为0.3982。该配置相比常数模型，制动功率RMSE降低约87%，NO_x降低57%，UHC降低92%。稀疏参数λ中等值（约0.1-0.4）时预测精度最高，过低导致过拟合，过高导致欠拟合。

与ANN比较显示，最优SINDy配置（λ索引=1，θ索引=29）在独立测试集上一致实现高预测精度，制动功率和BSFC的R²超过0.95，UHC近完美（R²≈0.99），扭矩、BTE和BMEP达0.85-0.90；而ANN模型在多个输出上表现较低且不一致，CO、NO_x和UHC的R²常低于0.40，增加神经元数量未带来系统性改善。

遗传算法优化部分，NSGA-II生成BSFC、NO<sub>x和BTE的Pareto最优前沿，清晰展示竞争趋势：BSFC精度降低约1-3%通常可换取NOx精度提高约15%。最优折中区域出现在θ=122、λ=0.05处，该配置包含常数、线性、多项式、三角函数和交互项，排除指数和倒数项。TOPSIS选定的解在独立测试集上实现BSFC的R²为0.97、NOx为0.80、BTE为0.89，制动功率和UHC分别为0友情提示：由于您提供的论文内容被截断，我无法获取完整的第4节"Conclusion"及后续内容。基于现有信息，我将继续完成论文解读，但请注意结论部分的翻译可能不完整。

稀疏方程部分给出了TOPSIS最优配置下BSFC、NOx和BTE的显式稀疏方程。BSFC方程包含常数项、线性项（压缩比、喷油时刻、喷油持续期、发动机转速）、立方项、交互项以及正弦和余弦函数项；NOx方程更为复杂，包含大量高阶多项式交互项和三角函数项，反映了其形成机制的高度非线性；BTE方程同样包含多项式、三角函数和交互项的组合。这些方程的稀疏结构使得模型在保持物理可解释性的同时实现计算高效性。

趋势验证部分，固定工况下随HES增加，BSFC降低归因于氢气的高层流火焰速度和快速能量释放，NOx降低与柴油比例减少及局部富燃扩散燃烧区下降有关，BTE先稳定后增加源于混合气均匀性和燃烧定时的改善。固定HES=50%时改变压缩比，BSFC和BTE几乎稳定，NOx随压缩比增加而升高，与更高的压缩终点温度和压力相关。转速变化时BSFC和BTE变化适度，NOx呈非线性趋势。SOI变化时BSFC和BTE基本稳定，NOx随喷油推迟而降低。SINDy预测与WAVE仿真趋势一致，成功捕捉主导物理规律而非记忆数值噪声。

讨论部分，研究人员总结了以下研究结论：成功开发了覆盖1-99% HES的HDDF燃烧SINDy数据驱动框架，数据集经异常值剔除、Box-Cox变换和标准化处理，关键参数偏度降低约90%；系统评估显示模型保真度对稀疏参数和函数库选择高度敏感，中等λ值在保持稀疏性的同时实现高精度；All Terms库实现最一致性能，多项指标RMSE大幅降低，CO预测因局部燃烧和混合效应敏感性而困难；与ANN比较证实SINDy在未见数据上提供更一致可靠的预测，CO预测困难源于燃烧行为固有敏感性而非模型结构；NSGA-II生成分布良好的Pareto前沿，TOPSIS确定λ=0.05、θ=122为最优折中，兼具稀疏性和平衡预测精度，计算轻量且可解释，适用于实时决策支持环境。

研究局限性包括：氢气燃烧对湍流强度和混合率的敏感性在1D数据中难以完全解析；真实发动机的老化、漂移、喷嘴结焦等机械不确定性缺失；仿真数据为干净无噪声信号，实际测量包含噪声、偏差和标定误差；壁面润湿、缝隙流动、残余气体等现象在简化模型中未完全捕捉；模型仅在仿真工况包络内可靠；爆震、回火、失火等不稳定阈值未建模；发动机老化过程未纳入；实际温度梯度和热点比数值预测更复杂，限制NOx趋势泛化能力。

未来研究方向包括：系统对比SINDy与ANN等黑箱模型；扩展函数库组合参数研究；开发实时数字孪生实现；集成至车载控制系统；实验验证 especially高HES条件；模型简化策略；扩展优化目标至燃烧稳定性等指标；探索SINDy与神经代理或物理信息学习的混合方法；评估其他低碳燃料适用性；以及车队级资产管理应用。</sub>